您现在的位置: 首页> 研究主题> 自相似性

自相似性

自相似性的相关文献在1986年到2022年内共计599篇,主要集中在自动化技术、计算机技术、无线电电子学、电信技术、数学 等领域,其中期刊论文508篇、会议论文29篇、专利文献443500篇;相关期刊350种,包括科学技术与工程、南京邮电大学学报(自然科学版)、光电工程等; 相关会议28种,包括第一届两岸三地科学计量学与信息计量学研讨会、中国教育和科研计算机网CERNET第十七届学术年会、中国通信学会第五届学术年会等;自相似性的相关文献由1331位作者贡献,包括汪辉、刘渊、焦李成等。

自相似性—发文量

期刊论文>

论文:508 占比:0.11%

会议论文>

论文:29 占比:0.01%

专利文献>

论文:443500 占比:99.88%

总计:444037篇

自相似性—发文趋势图

自相似性

-研究学者

  • 汪辉
  • 刘渊
  • 焦李成
  • 马文萍
  • 张凌
  • 李乐民
  • 许勇
  • 任昌
  • 侯彪
  • 刘德明
  • 期刊论文
  • 会议论文
  • 专利文献

搜索

排序:

年份

作者

    • 汪荣贵; 雷辉; 杨娟; 薛丽霞
    • 摘要: 深度卷积神经网络最近在图像超分辨率方面展示了高质量的恢复效果。然而,现有的图像超分辨率方法大多只考虑如何充分利用训练集中固有的静态特性,却忽视了低分辨率图像本身的自相似特征。为了解决这些问题,本文设计了一种自相似特征增强的网络结构(SSEN)。具体来说,本文将可变形卷积嵌入到金字塔结构中并结合跨层次协同注意力,设计出了一个能够充分挖掘多层次自相似特征的模块,即跨层次特征增强模块。此外,本文还在堆叠的密集残差块中引入池化注意力机制,利用条状池化扩大卷积神经网络的感受野并在深层特征中建立远程依赖关系,从而深层特征中相似度较高的部分能够相互补充。在常用的五个基准测试集上进行了大量实验,结果表明,SSEN比现有的方法在重建效果上具有明显提升。
    • 陈叶飞; 赵广社; 李国齐; 王鼎衡
    • 摘要: 非局部均值去噪(Non-local means,NLM)算法利用图像的自相似性,取得了很好的去噪效果.然而,NLM算法对图像中不相似的邻域块分配了过大的权重,此外算法的搜索窗大小和滤波参数等通常是固定的且无法根据图像内容的变化做出自适应的调整.针对上述问题,本文提出一种无监督多重非局部融合(Unsupervised multi-non-local fusion,UMNLF)的图像去噪方法,即变换搜索窗等组合参数得到多个去噪结果,并利用SURE(Stein's unbiased risk estimator)对这些结果进行无监督的随机线性组合以获得最终结果.首先,为了滤除不相似或者相似度较低的邻域块,本文引入一种基于可微分硬阈值函数的非局部均值(Non-local means with a differential hard threshold function,NLM-DT)算法,并结合快速傅里叶变换(Fast Fourier transformation,FFT),初步提升算法的去噪效果和速度;其次,针对不同的组合参数,利用快速NLM-DT算法串联生成多个去噪结果;然后,采用蒙特卡洛随机采样的思想对上述多个去噪结果进行随机的线性组合,并利用基于SURE特征加权的移动平均滤波算法来抑制多个去噪结果组合引起的抖动噪声;最后,利用噪声图像和移动平均滤波后图像的SURE进行梯度的反向传递来优化随机线性组合的系数.在公开数据集上的实验结果表明:UMNLF算法去噪结果的峰值信噪比(Peak signal to noise ratio,PSNR)超过了NLM及其大部分改进算法,以及在部分图像上超过了BM3D算法.同时,UM-NLF相比于BM3D算法在视觉上产生更少的振铃伪影,改善了图像的视觉质量.
    • 杜秀丽; 范志宇; 吕亚娜; 邱少明
    • 摘要: 针对长短期记忆循环神经网络在对时间序列进行学习时存在早期特征记忆效果差、难以充分挖掘整个网络流量特征等问题,提出一种基于双向长短期记忆循环神经网络的网络流量预测方法,以提高网络流量预测的准确性。对网络流量序列进行双向学习,避免单向学习导致较早学习部分特征提取和记忆效果差的问题。同时双向学习可以充分挖掘网络流量天与天之间双向的特征,完整地学习到网络流量的整体特征。仿真实验结果表明,改进后的方法相比原方法具有更好的预测效果。
    • 徐翠萍; 谭献海
    • 摘要: 网络流量特性与流量模型是网络规划设计、性能评价等的基础。文章致力于天地一体化网络业务分析与流量建模研究,在完成天地一体化网络高速铁路(简称:高铁)专网业务分析的基础上,抽象高铁专网流量类型、业务传输内容、报文到达间隔、报文长度等特征,构造高铁专网仿真流量数据集,分析其流量特性。针对高铁专网流量的自相似性、突发性及周期性,采用alpha-stable自相似模型进行高铁流量建模,通过Q-Q(Quantile-Quantile)图验证模型的可信度。研究结果表明,该模型能有效刻画高铁专网的流量特性。文章的研究成果可为流量预测模型设计与仿真、网络资源合理分配等提供依据。
    • 邱晋
    • 摘要: 本研究在分形论视域下,提出脑筋急转弯解答的"题面一题解非线性转换模型(QANTM)"用于阐释脑筋急转弯解答的全过程。脑筋急转弯的解答过程是解答者在意向性主导下展开的题面向题解推导的非线性转换过程,即解答者在遭遇"花园路径"之后,重新推导,依靠曲解概念和题解的自相似性,运用内涵外延传承手段,将题面中的曲解概念通过一次或多次概念置换达至最终的题解,并再现交际意图的过程。其中,题面向题解的非线性转换是脑筋急转弯解答最核心的环节,曲解概念与题解之间的自相似性是其解答的关键。
    • 高强; 范浩军; 颜俊; 陈玉国; 郑萍
    • 摘要: 为解决超细纤维绒面革二维超疏水表面耐久性差的问题,提出了一种三维超疏水超细纤维绒面革的构建方法。将含氟水基聚氨酯和纳米前驱体正硅酸乙酯的混合液均匀含浸至超细纤维非织造布中,在弱酸性条件下诱发纳米前驱体在超细纤维绒面革内部原位生成纳米SiO 2颗粒,形成了整体具有自相似性的类荷叶微纳粗糙结构,仿生构建了三维超疏水超细纤维绒面革,并对其接触角、形貌特征、元素组成、摩擦耐久性和化学稳定性进行了测试与表征。结果表明:所制备的超细纤维绒面革表面水接触角高达153.5°;即使经受2100次摩擦,浸泡在乙醇、对二甲苯、四氢呋喃、正己烷、pH值为1和14的水溶液中24 h,皂洗10次,紫外光照24 h,热处理后其水接触角均可保持在150°左右,显示出优异的超疏水稳定性。
    • 彭天奇; 禹晶; 肖创柏
    • 摘要: 在模糊核未知的情况下对模糊图像进行复原称为盲解卷积问题,这是一个欠定逆问题,现有的大部分盲解卷积算法利用图像的各种先验知识约束问题的解空间.由于清晰图像的跨尺度自相似性强于模糊图像的跨尺度自相似性,且降采样模糊图像与清晰图像具有更强的相似性,本文提出了一种基于跨尺度低秩约束的单幅图像盲解卷积算法,利用图像跨尺度自相似性,在降采样图像中搜索相似图像块构成相似图像块组,从整体上对相似图像块组进行低秩约束,作为正则项加入到图像盲解卷积的目标函数中,迫使重建图像的边缘接近清晰图像的边缘.本文算法没有对噪声进行特殊处理,由于低秩约束更好地表示了数据的全局结构特性,因此避免了盲解卷积过程受噪声的干扰.在模糊图像和模糊有噪图像上的实验验证了本文的算法能够解决大尺寸模糊核的盲复原并对噪声具有良好的鲁棒性.
    • 杨大寨; 王志猛; 仰望
    • 摘要: 针对海量数据流量,基于流量相似性的DDos攻击检测对弱攻击检测力度不足的问题,本文提出利用流量分类算法分解背景流量.通过流量的分解,把攻击流量尽可能分配到流量固定的分支中,从而间接强化攻击流量.通过利用FGN模型生成背景流量仿真实验结果表明,流量分类的方式显著提升了自相似性的异常流量检测模型对弱攻击的检测力度.
    • 杨亚荣
    • 摘要: 多元函数的高阶偏导数是高等数学的重要内容,它是各类考试的题型之一,学好多元函数的高阶偏导数尤为重要.本文结合笔者的教学实际,将抽象、枯燥、乏味、难以接受多元函数的高阶偏导数的学习过程与分形理论结合起来,让学生亲身体验,在数学学习过程中发现数学之美,体会数学来源于生活,并应用于生活.通过多高阶偏导数的定义和求导过程,得出求多元函数的高阶偏导数是一个经典的分形树图,高阶偏导数求导顺序是依次先求一阶、二阶,等等,直到n阶偏导数,具有分析的传递性,在高阶偏导数的求法和个数具有分形的自相似性.
    • 尤福源; 陈飞; 蒋伟杰; 李立耀
    • 摘要: 近年来,基于图像自相似性的块组协同去噪算法取得了快速发展,但是如何在噪声环境下快速精确地寻找结构相似图像块是一个难点.常用的块匹配算法是通过欧几里得距离定义图像块之间的相似程度,无法度量图像块内部的结构信息.针对这类问题,提出一种基于全卷积孪生网络的相似块组搜索算法.首先通过孪生网络学习干净参考块与噪声图像块的潜在联系;然后利用马氏距离结合图像块的结构信息度量其相似性;进而对相似块组进行协同去噪恢复图像.实验表明,相比于GID算法,所提算法的峰值信噪比值在Nam-CC15,Nam-CC60和PolyU真实图像数据集上分别提高了0.51 dB,1.02 dB和0.20 dB;视觉效果上,所提算法能够使去噪图像保留更多的结构特征.
  • 查看更多

客服邮箱:kefu@zhangqiaokeyan.com

京公网安备:11010802029741号 ICP备案号:京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有
  • 客服微信

  • 服务号